[論文レビュー] Localising Faster: Efficient and precise lidar-based robot localisation in large-scale environments

Li Sun, Daniel Adolfsson+4 more|arXiv (Cornell University)|Mar 4, 2020

Robotics and Sensor-Based Localization参考文献 30被引用数 4

ひとこと要約

本論文は、6自由度ポーズ推定のためのディープガウス過程モデルを用いてモンテカルロ局所化（MCL）を初期化することで、MCLの高速化を図るハイブリッドライダー基盤局所化手法を提案する。学習ベースの推論と重要度サンプリングを用いた幾何的検証を統合することで、大規模環境において平均1.94秒の局所化を達成し、0.75 mの精度を実現。ベースラインと比較してMCL実行時間は99.5%短縮された。

ABSTRACT

This paper proposes a novel approach for global localisation of mobile robots in large-scale environments. Our method leverages learning-based localisation and filtering-based localisation, to localise the robot efficiently and precisely through seeding Monte Carlo Localisation (MCL) with a deep-learned distribution. In particular, a fast localisation system rapidly estimates the 6-DOF pose through a deep-probabilistic model (Gaussian Process Regression with a deep kernel), then a precise recursive estimator refines the estimated robot pose according to the geometric alignment. More importantly, the Gaussian method (i.e. deep probabilistic localisation) and non-Gaussian method (i.e. MCL) can be integrated naturally via importance sampling. Consequently, the two systems can be integrated seamlessly and mutually benefit from each other. To verify the proposed framework, we provide a case study in large-scale localisation with a 3D lidar sensor. Our experiments on the Michigan NCLT long-term dataset show that the proposed method is able to localise the robot in 1.94 s on average (median of 0.8 s) with precision 0.75~m in a large-scale environment of approximately 0.5 km2.

研究の動機と目的

• 屋内産業施設や地下坑道など、GPSが利用できない大規模環境における、効率的で高精度なグローバル局所化の課題に対処すること。
• 大規模マップにおいて一様なパーティクル分布で初期化された場合に、モンテカルロ局所化（MCL）の収束が遅いという問題を克服すること。
• ディープラーニングベースのポーズ推定の高速性と、MCLのようなフィルタリングベース手法の幾何的精度を統合すること。
• 3Dライダー情報のみを用いて、大規模環境（例：0.5 km²）においてリアルタイムで高精度な局所化を実現すること。
• 重要度サンプリングを介して、ガウス（GP）と非ガウス（MCL）の確率的モデルをシームレスに統合するメカニズムの開発

提案手法

• 重ね合わせたライダースキャンから6自由度ポーズ分布を推定するため、ディープカーネルを備えたガウス過程回帰に基づくディープ確率的モデルを学習する。
• 推定されたガウス過程分布を用いてMCLのパーティクルを初期化し、一様またはヒューリスティックな初期化を置き換える。
• 重要度サンプリングを用いてGPの予測分布とMCLを統合し、学習ベースとフィルタリングベースのシステム間で相互に恩恵をもたらす。
• MCLにおける測定尤度計算を効率的に行うために、スパースな正規化密度変換（NDT）モデルを用いる。
• 動的パーティクル数（500〜1000）と適応的リサンプリングを用いて、MCLによるパーティクルの再サンプリングと逐次更新を行う。
• 計算の tractability（取り扱いやすさ）を向上させるために、0.2 m解像度のボクセルグリッドを用いてパーティクル数を制限する。

実験結果

リサーチクエスチョン

• RQ1 ディープガウス過程モデルは、大規模ライダー環境におけるMCLのための信頼性があり情報量豊富な事前分布を提供できるか？
• RQ2 ガウス過程（GP）と非ガウスなパーティクルフィルタ（MCL）の非共役結合を効果的に統合できるか？
• RQ3 学習されたGP分布でMCLを初期化することで、一様または固定初期化と比較して局所化時間が顕著に短縮されるか？
• RQ4 GPからの不確実性推定は、長期的で動的な環境における誤検出（誤検出）に対して、どれほど耐性を高めるか？
• RQ5 ハイブリッドシステムは、大規模マップにおいてもセンチメートルレベルの精度を達成しながら、平均1秒未満の局所化時間を維持できるか？

主な発見

• ハイブリッド手法は、ミシガンNCLTデータセット上で平均1.94秒（中央値0.8秒）の局所化時間を達成し、MCLベースラインと比較して99.5%短縮された。
• 本システムは、約0.5 km²の大規模環境で0.75 mの精度で局所化を実現し、自律走行の実世界要件を満たしている。
• ハイブリッド手法の成功率は当初の月（例：1月〜4月）で最も高く、11月と12月にかけては新たな軌道やランドマークの増加により低下した。
• GPに基づく不確実性を用いたパーティクル初期化により、MCLベースライン（成功率54%、1回あたり平均154.3秒）と比較して局所化時間を99.5%短縮した。
• GPに基づく共分散を用いた手法は、固定共分散初期化を上回り、不確実性を考慮したパーティクルサンプリングが収束速度と信頼性を顕著に向上させることを示した。
• 重要度サンプリングによるディープラーニングとフィルタリングの統合により、高速推論と幾何的検証の間でシームレスかつ相互に恩恵をもたらす運用が可能になった。